考虑噪声数据的FCM-LSSVM负荷预测模型

针对传统负荷预测未考虑噪声数据影响的问题,提出了一种基于模糊C均值聚类与最小二乘支持向量机的组合预测模型。首先利用FCM对历史数据进行聚类分析,剔除孤立样本,继而构建负荷预测训练集并输入最小二乘支持向量机进行学习,进一步采用粒子群算法优化参数,得到最优预测模型。仿真结果表明,相对于其他负荷预测模型,该算法有效地消除了噪声数据对负荷预测精度的影响,泛化能力更佳。     

基于GRA-LSSVM的配电网空间负荷预测方法研究

针对配电网空间负荷预测实际应用中容易存在可用信息和数据散杂且经常匮乏的问题,提出了一种基于最小二乘支持向量机的新型配电网空间负荷密度预测算法,以解决预测方法中样本有限、不易识别等问题。同时引入灰色关联分析改善最小二乘支持向量机的样本筛选,并采用混沌粒子群算法完善最小二乘支持向量机的参数选择,提高算法的空间负荷密度预测的精度。在介绍算法原理基础上,详细设计了配电网空间负荷预测方法的实现流程。对该算法的性能进行实例分析表明,所提方法可以有效地提高负荷密度预测的精度。     

基于改进最小二乘支持向量机的短期负荷预测

为了提高短期负荷预测的精度,提出基于量子差分进化算法(Quantum Differential Evolution,QDE)优化的最小二乘支持向量机(Least Squares-Support Vector Machine,LSSVM)模型。该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明,QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机,证明了利用量子差分进化选取最小二乘支持向量机的有效性。该算法更适用于当前中国短期负荷预测的需要。     

基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测

提出一种联合灰色模型(grey model,GM)和最小二乘支持向量机回归(least square support vector regression,LSSVR)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正b 参数的GM(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘（PLS）对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法（SVM）对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...     

改进粒子群算法和最小二乘支持向量机的电力负荷预测

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(IPSO-LSSVM)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,IPSO-LSSVM可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

群优化支持向量机的磁轴承转子位移预测建模

为实现三自由度混合磁轴承转子位移自检测,提出了基于粒子群优化最小二乘支持向量机的转子位移预测建模方法。通过对该磁轴承电磁结构和工作原理的分析,基于等效磁路法构建了大气隙范围内的非线性模型。在此模型基础上,结合最小二乘支持向量机在有限样本下对高维非线性的拟合及预测能力,通过采集具有代表性的电流–位移样本数据,训练得到磁轴承位移预测模型。针对最小二乘支持向量机超参数选取问题,采用粒子群优化算法进行自动寻优,以提高预测模型的拟合和预测精度。最后将均值误差和绝对误差作为模型评价指标对所提方法进行对比仿真研究,并对结果进行了讨论,验证了预测建模和自检测方法的有效性。     

基于层次聚类算法与ISA-LSSVM的短期负荷预测研究

针对不同类型用户的短期负荷预测,目前应用较为广泛的为支持向量机与深度学习模型。针对最小二乘支持向量机（least squares support vector machine,LSSVM）模型中超参数难以确定、模型对数据质量要求较高等问题,而集成常规优化算法又会有寻优速度慢、易陷入局部最优等问题,提出了一种混合模型。首先使用层次聚类（hierarchical clustering,HC）对原始特征数据进行聚类进而为同一类预测日建立对应LSSVM 模型,再通过改进的模拟退火算法（improved simulateanneal,ISA）对 LSSVM 中的超参数进行启发式搜索。最后通过对广东省佛山市某行业用户用电负荷进行负荷预测,与各种负荷预测模型性能进行对比,结果证明所提模型可有效提高负荷预测精度、缩短预测时间。     

基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。     

基于多模型聚类集成的锅炉烟气NO_x排放量预测模型

电站锅炉烟气NO_x排放量的预测控制对电站的经济效益和环境污染治理有重要影响。为了提高NO_x排放量预测模型的精度,本文提出了一种基于多模型聚类集成的锅炉烟气NO_x排放量建模方法。首先根据输出NO_x排放量的高低划分数据空间,通过基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量,然后利用提出的多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵,最后采用融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS-SVM)模型进行集成。仿真结果表明,通过集成模糊C均值聚类(FCM)和有监督的遗传算法-软模糊聚类(GA-SFCM)的VMSC算法提高了建模的精度,比单一模型的仿真性能更好。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值;其次应用最小二乘支持向量机对各分量分别建立预测模型,并使用自适应粒子群算法对各分量模型进行优化;最后使用优化后最小二乘支持向量机模型对风电功率波动范围进行预测。实例研究表明,该组合预测模型可以有效跟踪风电功率变化,对风电功率波动范围进行预测。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。     

基于双层聚类与GSA-LSSVM的汽轮机热耗率多模型预测

针对单模型难以精确描述具有复杂非线性特性的汽轮机热耗率的问题,提出一种新的热耗率多模型建模方法。首先应用GK算法分析出最优聚类个数以及初始聚类中心,避免了聚类数确定的盲目性;然后利用核模糊C均值算法对热耗率样本集做出聚类划分,在每个子空间中利用最小二乘支持向量机(LSSVM)辨识出相应子模型,同时,为了保证子模型精确度,采用引力搜索算法来解决LSSVM参数优化问题;最后,将子模型通过隶属度值加权融合得到精确的热耗率预测模型。以某600MW超临界汽轮机组为研究对象,基于现场数据建立汽轮机热耗率预报模型,仿真结果验证了提出的多模型建模方法具有较高的预报精确度和泛化能力。     

基于自适应加权最小二乘支持向量机的短期负荷预测方法

提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单,泛化性能好,不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。